کلونی مورچه‌ها و هوش مصنوعی

مورچگان همیشه قادرند تا یک مسیر بهینه را برای تامین منابع غذایی خود بیابند. شبیه‌سازی چنین رفتار بهینه‌ای، پایه و اساس بهینه‌سازی کلونی مورچگان را است. در این مطلب، ارتباط الگوریتم کلونی مورچگان با هوش مصنوعی تشریح شده است.

10 خرداد 1401

مورچه‌ها از کجا به هوش مصنوعی راه پیدا کرده‌اند؟


تحقیقات زیست شناسی که در طول سالیان بر روی زندگی حشرات انجام شده است دانشمندان را متوجه جریان عجیبی در زندگی مورچه‌ها کرده است. مورچه‌ها در فرایند یافتن مواد غذایی شیوه‌ای بدیع و منحصر به فرد دارند و این کار را بدون دخالت حس بینایی و لامسه و به طور گروهی انجام می دهند.
 

به چه شکل؟


دو مورچه را در نظر بگیرید که برای یافتن غذا از لانه کلونی در دو مسیر مختلف شروع به حرکت می کنند. مسیر A، مسیر کوتاه‌تر و مصرف B مسیری طولانیتر است. مورچه‌ای که از مسیر A به ماده غذایی دسترسی پیدا کرده است در مدت زمان کمتری از همان مسیر قبلی به کلونی بازمی‌گردد.
 

مسیر قبلی چگونه تشخیص داده می‌شود؟


همه مورچه‌ها در طول مسیر پیدا کردن غذا و بازگشت خود، ماده‌ای به نام فرومون (Pheromone) را ترشح می‌کنند این ماده توسط دیگر مورچه‌ها قابل شناسایی است.
مورچه ای که یک بار به طور تصادفی از مسیر کوتاه‌تر به ماده غذایی دسترسی پیدا کرده است، زمان رفت و برگشت کمتری هم از کلونی به منبع غذایی و بالعکس صرف می‌کند و در نتیجه تعداد دفعات بیشتری برای برداشتن مواد غذایی در یک زمان مشخص می‌تواند داشته باشد. در طول این رفت‌وآمدها فرومون‌هایی که به جای گذاشته شده‌اند در مسیر کوتاه‌تر غلظت بیشتری نسبت به فرومون‌های به جا گذاشته شده در مسیر طولانی تر دارند در نتیجه مورچه‌های دیگر هنگامی که به دنبال آذوقه از کلونی به راه می‌افتند، مسیری که میزان بیشتری فرومون در آن به جا گذاشته شده است را می‌توانند تشخیص بدهند و به طور طبیعی از مسیر کوتاه شروع به حرکت می‌کنند.
در سیستم کلونی مورچگان، فرومون‌ها پس از مدتی تبخیر می‌شوند. تبخیر فرومون‌ها موجب می‌شود تا فرایند پیدا کردن مسیرهای تصادفی و بعضا کوتاه‌تر توسط مورچه‌ها متوقف نشود و در صورت تمام شدن مواد غذایی در یک منبع، منابع دیگری برای برداشت غذا موجود باشد.

 

بهره‌گیری از الگوریتم کلونی مورچگان در هوش مصنوعی


در زمینه فناوری‌های هوش مصنوعی، در حل مسائلی که نیاز به دستیابی به جواب های بهینه وجود دارد از این فرایند الهام گرفته شده است و الگوریتمی تحت عنوان «کلونی مورچگان »یا «الگوریتم مورچگان» (مدل بهینه‌سازی کلونی مورچگان) به وجود آمده است. در الگوریتم مورچگان، مورچه‌های مصنوعی بر روی نمودارهای مربوط به حل مسئله نشانه هایی مشابه با عملیات فرومون گذاری که توسط مورچه‌های واقعی انجام می‌شود برای دیگر مورچه‌های مصنوعی به جا می‌گذارند و با دنبال کردن این نشانه‌ها توسط همه مورچه‌های مصنوعی و نشانه‌گذاری‌های جدید و پی در پی بهترین روش برای دستیابی به پاسخ پیدا می‌شود.
در کلونی مورچه‌های مصنوعی فرومون‌ها، متغیرهای مسئله هستند که به شکل مقادیر عددی نشانه گذاری می‌شوند و به آن‌ها «رد مصنوعی فرومون» (َArtificial Pheromone Trail) گفته می‌شود.
تبخیر فرومون‌ها در کلونی مورچه‌های مصنوعی هم انجام می‌شود. به این صورت که برخی مورچه‌ها مقادیری را حذف و مقادیر دیگری را حذف می‌کنند. عمل حذف فرومون‌های مصنوعی به مورچه‌های مصنوعی در کشف راه‌های جدید و رسیدن به جواب‌های بهینه کمک می‌کند.

 

اولین بار چه کسی از این روش برای حل مسئله استفاده کرده است؟


مارکو دوریگو، از مدیران آزمایشگاه هوش مصنوعی در دانشگاه بروکسل است که برای اولین بار الگوریتم رفتار مورچه‌ها را در دستیابی به مواد غذایی در زمینه حل مسائل بهینه‌سازی در پایان نامه دکترای خود به کار برد.
وی از طرفداران استفاده از روش های ارائه شده توسط مدل بهینه‌سازی مورچگان است و کتاب معروفی در همین زمینه با عنوان «بهینه‌سازی کلونی مورچگان» در سال ۲۰۰۴ به چاپ رسانده است.

 

الگوریتم هوش ازدحامی


مدل بهینه‌سازی کلونی مورچه‌ها یکی از زیر شاخه‌های هوش ازدحامی یا جمعی می‌باشد. در هوش ازدحامی ما «عامل هایی داریم که به تنهایی قابلیت چندان بالایی ندارند اما در کنار هم و با همکاری یکدیگر می‌توانند نتایج بسیار خوبی به دست آورند.»
مورچه‌های مصنوعی در الگوریتم مورچگان بدون وجود نظارت بیرونی و یا یک کنترل و مدیریت مرکزی، مشابه رفتاری که مورچه‌های واقعی در زندگی جمعی خود دارند انجام می دهند و در طی یک تعامل غیر مستقیم و به واسطه نشانه هایی که از خود به جا می‌گذارند، مسائل بهینه‌سازی مختلفی را در طیف وسیعی حل می‌کنند.

 

روش‌های مختلف بهینه‌سازی در الگوریتم کلونی مورچگان


در رابطه با حل مسئله به وسیله شبیه سازی از عملکرد مورچگان روش‌های مختلفی وجود دارد. از جمله معروف‌ترین این روش‌ها می‌توان به این سه روش اشاره کرد:
1. سیستم مورچگان نخبه؛ «در این روش بهترین راه حل کلی در هر تکرار فرمون آزاد می‌کند. همچنین این روش برای تمام مورچه‌های مصنوعی باید انجام شود.» (fa.wikipedia.org)
2. سیستم کلونی مورچگان؛ سیستم شبیه سازی شده از یافتن مواد غذایی و کشف کوتاه‌ترین مسیر توسط مورچه‌ها
3. سیستم مورچگان Min-Max؛ «یک مقدار کمینه و بیشینه برای فرمون تعیین کرده و فقط در هر مرحله بهترین جواب این مقدار را آزاد می‌کند و تمام گره‌های مجاور ان به مقدار فرمون بیشینه مقدار دهی اولیه می‌شوند.» (fa.wikipedia.org)

 

ویژگی‌های الگوریتم کلونی مورچگان


- در حل مسائل مختلف ��هینه‌سازی انعطاف پذیری بالایی دارد.
- در کاربردهایی که نیاز به انطباق سریع با تغییرات محیطی دارند، قابل استفاده است.
- مدل بهینه‌سازی کلونی مورچگان از مجموعه روش‌های فرا اکتشافی می‌باشد. از مشخصه‌های روش فرااکتشافی، «توازی» و «همبستگی» می‌باشد که در این الگوریتم همکاری مورچه‌ها این دو مشخصه را به نمایش می‌گذارد.
- نحوه همکاری مور‌چه‌ها در این الگوریتم، قطعا موجب دستیابی به جواب بهینه می‌شود.

 

کاربردهای الگوریتم کلونی مورچگان


مدل بهینه‌سازی کلونی مورچگان در هر مسئله‌ای که ما نیازمند پیدا کردن کوتاه‌ترین مسیر برای رسیدن به هدف باشیم می‌تواند مورد استفاده قرار گیرد. مواردی مانند: شبکه‌های حمل و نقل (زمینی، هوایی و دریایی- درون شهری و برون شهری)، شبکه‌ مخابرات، جریان‌های توزیع برق و کانال‌های آب‌رسانی، شبکه‌های کامپیوتری، برنامه‌ریزی و مدیریت اجرای برنامه‌ها و...


مسئله فروشنده دوره‌گرد


فروشنده دوره‌گرد ( (TSP: Travelling Salesman Problem یکی از مشهورترین مسائل بهینه‌سازی است که به روش سیستم کلونی مورچه‌ها حل می‌شود.
موضوع مطرح شده در مسئله فروشنده دوره‌گرد از این قرار است که کوتاه‌ترین مسیر برای عبور از شهر‌های مختلف و در نهایت بازگشت به شهر مبدا (با این شرط که تنها یک بار از هر شهری گذر شود) یافت شود.

 

استفاده از نرم افزار Lingo


نرم افزار Lingo از جمله نرم‌افزارهایی است که قابلیت ارائه مدل ریاضی از مسائل بهینه‌سازی که به روش الگوریتم مورچگان حل می‌شود را داراست. 
از مزیت‌های این نرم‌افزار می‌توان به سرعت بالا، ارائه مدل‌های ساده، تحلیل مدل و داشتن محیط راهنمایی برای کاربران اشاره کرد.

مقاله های مشابه